人工神经网络技术是人工智能研究的一个分支，也是当今人工智能研究的热点。本文首次将人工神经网络技术应用到化工物性定量预测中，成功地从一个学科领域里移植了一种技术到另一完全不同的领域。 本文首先对人工神经网络和人工智能的关系进行了分析，回顾了人工神经网络的发展，综述了国内外人工神经网络的应用研究状况。本文根据对化工物性估算现状和化工物性数据系统发展趋势的分析，提出了采用人工神经网络技术解决现存问题的设想。文章中分析了人工神经网络用于物性定量预测的可行性，总结归纳了运用这种技术的特点。 在分析了人工神经网络原理的基础上，本文选择误差反向传播网络作为化工物性定量预测的工作网络。同时对神经元活化函数选择等问题进行了探讨，指出了活化函数中各个参数的作用，并研究了活化函数导数值与网络节点活性的关系。文章中还对训练样本选择、信号预处理等问题进行了讨论，分析了输入信号选择对训练结果的影响。 本文根据大量的试验研究提出了用于化工物性定量预测网络结构设置的原则，为今后网络结构选择提供了重要的参考经验。文中提出了网络短路处理的思想，以谋求输入信号对输出信号的直接影响。通过试验证明这一方法是可行的，并且发现该方法有助于提高网络的学习效果。文章还对初始权的设置做了大量的试验，分析了不同情况下网络的表现，从中总结出网络初始权取值的合理范围，可使网络训练得到一个良好的开端。 本文对学习速率这一重要参数做了深入的研究，详细阐述了系统中所运用的动态调整原理。分别讨论了学习速率、学习速率增量和学习速率上限对学习过程的影响作用，给出了这些参数的取值原则。文章中还首次提出了通过衰减学习速率增量提高学习质量的策略，运用这一策略可以打破网络学习僵持的局面，使其得到更好的输出方差。 本文对另一重要参数动量因子也做了深入的研究，将动量因子由定值改为动态调整，从而进一步稳定了学习过程。在研究中提出了动量因子存在着峰值这一发现，通过引入α峰值自动控制机制，可对训练过程进行有效的控制，保证较大的学习强度而又避免发生振荡。在研究中还提出了最佳学习状态的概念，对如何保持最佳学习状态提出了办法。除此之外，本文还提出了